PENGGUNAAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN ALGORITMA K-NEAREST NEIGHBOR DALAM PENGENALAN POLA BATIK JAWA TENGAH

Haikal, Muhammad Rasidan (2022) PENGGUNAAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN ALGORITMA K-NEAREST NEIGHBOR DALAM PENGENALAN POLA BATIK JAWA TENGAH. Other thesis, UPN 'Veteran" Yogyakarta.

	Text Abstrak_Muhammad Rasidan Haikal_1231160188.pdf Download (134kB)
	Text Cover_Muhammad Rasidan Haikal_1231160188.pdf Download (166kB)
	Text daftar isi.pdf Download (172kB)
	Text Daftar_Pustaka_Muhammad Rasidan Haikal_1231160188.pdf Download (149kB)
	Text Halaman_Pengesahan_Pembimbing_Muhammad Rasidan Haikal_1231160188.pdf Download (466kB)
	Text Halaman_Pengesahan_Penguji_Muhammad Rasidan Haikal_1231160188.pdf Download (451kB)
	Text Skripsi_Full_Muhammad Rasidan Haikal_1231160188.pdf Restricted to Repository staff only Download (4MB)

Abstract

Negara Indonesia merupakan salah satu negara kepulauan dengan beraneka ragam suku,
bangsa, bahasa dan budaya. Salah satu budaya yang menjadi ciri khas Indonesia di mata dunia
adalah batik. Akan tetapi, masih banyak masyarakat lokal yang kekurangan informasi
mengenai jenis-jenis motif batik di Indonesia, terutama batik yang memiliki motif yang
hampir sama. Dengan dilakukannya penelitian ini, diharapkan masyarakat dapat membedakan
tiap jenis motif batik dengan baik dan dapat mengetahui nilai tersendiri dibalik motif-motif
tersebut.
Salah satu tahap penting dalam pengklasifikasian suatu citra adalah ekstraksi fitur. Gray
Level Co-Occurrence Matrix (GLCM) merupakan algoritma yang digunakan untuk
menganalisa tekstur yang telah banyak digunakan dalam beberapa penelitian sains seperti
computer vision, pengenalan pola, klasifikasi citra, segmentasi citra dan lainnya. Dalam
mengindentifikasi tiap jenis motif batik Jawa Tengah ini, diterapkan metode klasifikasi K�Nearest Neighbor (KNN).
Berdasarkan implementasi dan hasil pengujian yang dilakukan, hasil menunjukkan
bahwa menggunakan metode GLCM dan KNN memperoleh akurasi tertinggi pada pengujian
pertama dengan k=5, yaitu dengan tingkat akurasi 67%, presisi 68% dan recall 68%.
Kata kunci : Batik, Klasifikasi, K-Nearest Neighbor, GLCM

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Batik, Klasifikasi, K-Nearest Neighbor, GLCM
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	25 Jul 2022 04:06
Last Modified:	25 Jul 2022 04:08
URI:	http://eprints.upnyk.ac.id/id/eprint/30446

Actions (login required)

View Item